CN113219338B - 电池劣化判断系统、方法及存储有程序的非临时性存储介质 - Google Patents
电池劣化判断系统、方法及存储有程序的非临时性存储介质 Download PDFInfo
- Publication number
- CN113219338B CN113219338B CN202110032169.5A CN202110032169A CN113219338B CN 113219338 B CN113219338 B CN 113219338B CN 202110032169 A CN202110032169 A CN 202110032169A CN 113219338 B CN113219338 B CN 113219338B
- Authority
- CN
- China
- Prior art keywords
- degradation
- battery
- term
- probability
- state quantity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000015556 catabolic process Effects 0.000 title claims abstract description 267
- 238000006731 degradation reaction Methods 0.000 title claims abstract description 267
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004364 calculation method Methods 0.000 claims abstract description 49
- 230000007774 longterm Effects 0.000 claims abstract description 45
- 238000009795 derivation Methods 0.000 claims abstract description 9
- 238000012545 processing Methods 0.000 claims description 27
- 230000006866 deterioration Effects 0.000 claims description 15
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000007423 decrease Effects 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 14
- 238000010801 machine learning Methods 0.000 description 11
- 238000004891 communication Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 230000002542 deteriorative effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60R—VEHICLES, VEHICLE FITTINGS, OR VEHICLE PARTS, NOT OTHERWISE PROVIDED FOR
- B60R16/00—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for
- B60R16/02—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements
- B60R16/03—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for supply of electrical power to vehicle subsystems or for
- B60R16/033—Electric or fluid circuits specially adapted for vehicles and not otherwise provided for; Arrangement of elements of electric or fluid circuits specially adapted for vehicles and not otherwise provided for electric constitutive elements for supply of electrical power to vehicle subsystems or for characterised by the use of electrical cells or batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3835—Arrangements for monitoring battery or accumulator variables, e.g. SoC involving only voltage measurements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/0047—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries with monitoring or indicating devices or circuits
- H02J7/005—Detection of state of health [SOH]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Medical Informatics (AREA)
- Mechanical Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- Sustainable Development (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Transportation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Sustainable Energy (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明的目的在于提供一种即使在数据未充分积攒的情况下也能够高精度地对电池的劣化进行判断的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。一种电池劣化判断系统，包括：取得部，其取得搭载于车辆的电池的状态量；导出部，其基于取得部所取得的状态量和预先确定的计算模型，分别导出短期劣化概率、中期劣化概率以及长期劣化概率；判断部，其在作为计算模型的学习中使用的数据的状态量的数量越少的情况下，将从长期劣化概率计算的短期与中期的合计的劣化概率的权重设定得越高，在状态量的数量越多的情况下，将短期劣化概率的权重设定得越高，基于导出部的导出结果，对电池的劣化进行判断。
Description
技术领域
本公开涉及一种对车辆的辅助用电池等的电池的劣化进行判断的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。
背景技术
例如，在日本特开2018-179733号公报中提出了一种电池的寿命诊断装置，其具有存储部以及诊断电池的寿命的处理部，所述存储部存储每个时刻所测定的电池的使用时间，和每个时刻所测定的表示电池劣化的劣化指标的测定值，处理部基于电池的使用时间和劣化指标的测定值来求出劣化指标的时间变化量，基于劣化指标的时间变化量分别针对每个电池求出劣化指标的预测函数，基于劣化指标的预测函数来求出劣化指标的预测值，基于劣化指标的预测值来诊断电池的寿命。
但是，在日本特开2018-179733号公报公开的技术中，在作为劣化指标的测定值的内部电阻的信息被累积之前，不能够实施电池的劣化判断，或者，即使能够进行判断，但判断精度低，因此存在改善的空间。
发明内容
本公开提供一种即使在数据未充分积攒的情况下也能够高精度地对电池的劣化进行判断的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。
第一方式的电池劣化判断系统包括：取得部，其取得搭载于车辆的电池的状态量；导出部，其基于所述取得部所取得的所述状态量和预先确定的计算模型，分别导出在预先确定的短期所述电池劣化的短期劣化概率、在比所述短期长的中期所述电池劣化的中期劣化概率以及在比所述中期长的长期所述电池劣化的长期劣化概率；判断部，其在作为所述计算模型的学习中使用的数据的所述状态量的数量越少的情况下，将从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率的权重设定得越高，在所述状态量的数量越多的情况下，将所述短期劣化概率的权重设定得越高，基于所述导出部的导出结果，对所述电池的劣化进行判断。
根据第一方式，取得部取得电池的状态量。取得的状态量是随着电池劣化而变化的物理量，例如可列举电池的电压、电阻、温度等作为一个示例。
导出部基于取得部所取得的状态量和预先确定的计算模型，分别导出在预先确定的短期电池劣化的短期劣化概率、在比短期长的中期电池劣化的中期劣化概率以及在比中期长的长期电池劣化的长期劣化概率(换言之，直至长期才劣化的概率)。
而且，判断部在作为计算模型的学习中使用的数据的状态量的数量越少的情况下，将从长期劣化概率计算的所述短期与所述中期的合计的劣化概率(100-长期劣化概率)的权重设定得越高，在状态量的数量越多的情况下，将短期劣化概率的权重设定得越高，基于导出部的导出结果，对电池的劣化进行判断。由此，能够使用精度更高的劣化概率对电池的劣化进行判断，即使在状态量的数量少的情况下也能够高精度地对电池的劣化进行判断。
另外，判断部也可以如第二方式地，在状态量的数量小于预先确定的阈值的情况下，基于从长期劣化概率计算的所述短期和所述中期的合计的劣化概率，对电池的劣化进行判断，在状态量的数量为阈值以上的情况下，基于短期劣化概率对电池的劣化进行判断。由此，能够提高电池的劣化判断精度。
此外，计算模型也可以如第三方式地，在学习开始时包括搭载于与对象车辆不同的其它车辆的已劣化的电池的状态量以及对象车辆的未劣化的电池的状态量作为学习数据进行学习，随着学习的进行，将搭载于其它车辆的电池的状态量替换为对象车辆的已劣化的电池的状态量而进行学习。由此，能够确保学习时的数据量并提高初期的劣化判断精度。此外，在该情况下，计算模型也可以如第四方式地，随着学习的进行，使对象车辆的已劣化的电池的状态量的数量增加、对象车辆的未劣化的电池的状态量的数量减少地进行学习。由此，能够降低处理负担。
此外，取得部也可以如第五方式地取得通过搭载于车辆的传感器而检测到的状态量。
另外，本公开也可以如第六方式地采用一种电池劣化判断方法，其使计算机执行处理，所述处理为，取得电池的状态量，基于所取得的所述状态量和预先确定的计算模型，分别导出在预先确定的短期所述电池劣化的短期劣化概率、在比所述短期长的中期所述电池劣化的中期劣化概率以及在比所述中期长的长期所述电池劣化的长期劣化概率，在作为所述计算模型的学习中使用的数据的所述状态量的数量越少的情况下，将从所述长期劣化概率计算的所述短期和所述中期的合计的劣化概率的权重设定得越高，在所述状态量的数量越多的情况下，将所述短期劣化概率的权重设定得越高，基于导出的所述短期劣化概率以及所述长期劣化概率，对所述电池的劣化进行判断。
或者，也可以如第七方式地采用一种非临时性存储介质，其存储有用于使计算机执行处理的电池劣化判断程序，所述处理为，取得电池的状态量，基于所取得的所述状态量和预先确定的计算模型，分别导出在预先确定的短期所述电池劣化的短期劣化概率、在比所述短期长的中期所述电池劣化的中期劣化概率以及在比所述中期长的长期所述电池劣化的长期劣化概率，在作为所述计算模型的学习中使用的数据的所述状态量的数量越少的情况下，将从所述长期劣化概率计算的所述短期和所述中期的合计的劣化概率的权重设定得越高，在所述状态量的数量越多的情况下，将所述短期劣化概率的权重设定得越高，基于导出的所述短期劣化概率以及所述长期劣化概率，对所述电池的劣化进行判断。
如以上说明地，根据本公开，能够提供一种即使在数据未充分积攒的情况下也能够高精度地对电池的劣化进行判断的电池劣化判断系统、电池劣化判断方法以及存储有电池劣化判断程序的非临时性存储介质。
附图说明
以下，基于附图详细说明本发明的示例性实施例。
图1为表示本实施方式涉及的电池劣化判断系统的概要构成的图。
图2为表示本实施方式涉及的电池劣化判断系统中的车载设备以及中心的功能构成的框图。
图3为用于对学习数据的上限值a与下限值b的确定方法进行说明的图。
图4为用于对第一学习数据替换与第二学习数据替换进行说明的图。
图5为表示概率计算部进行的劣化概率的计算例的图。
图6为表示由本实施方式涉及的电池劣化判断系统中的中心的数据更新部实施的处理的流程的一个示例的流程图。
图7为表示由本实施方式涉及的电池劣化判断系统中的中心的数据运算部实施的处理的流程的一个示例的流程图。
图8为表示本实施方式涉及的电池劣化判断系统中的随着时间的流动而采用的劣化判断方法的图。
图9为表示将便携式终端用作通信装置的情况下的劣化判断系统的概要构成的图。
图10为表示在便携式终端具有中心所具有的功能的功能构成的框图。
图11为用于对使用初期的劣化概率计算方法与后期的劣化概率计算方法这两者计算最终的劣化概率的示例进行说明的图。
图12为表示使机器学习中所使用的劣化数据增加、非劣化数据减少的示例的图。
图13为表示本实施方式涉及的劣化判断系统的硬件构成的框图。
具体实施方式
以下，参照附图，对本公开的实施的方式的一个示例详细地进行说明。图1为表示本实施方式涉及的电池劣化判断系统的概要构成的图。
在本实施方式涉及的电池劣化判断系统10中，搭载于车辆14的车载设备16经由通信网络18与中心12连接。在本实施方式涉及的电池劣化判断系统10中，将搭载于多个车载设备16的电池的状态量向中心12发送，中心12实施电池的劣化判断。中心12应用从多个车辆收集的电池的状态量的大数据与基于AI(Artificial Intell igence：人工智能)的机器学习，将电池的状态量作为输入值而对电池的劣化进行判断。
另外，在本实施方式中，针对将车辆14的辅助用铅蓄电池作为电池的一个示例的情况进行说明。此外，状态量为表示电池的状态的状态量，特别是随着电池劣化而变化的物理量。例如，可列举电池的电压、电阻、温度等作为一个示例，但在本实施方式中，针对将电池的电压作为状态量的一个示例进行说明。
图2为表示本实施方式涉及的电池劣化判断系统10中的车载设备16以及中心12的构成的框图。此外，图13为表示本实施方式涉及的电池劣化判断系统10的硬件构成的框图。
如图13所示，车载设备16由微型计算机构成，该微型计算机包括作为处理器的CPU(Central Process ing Unit：中央处理单元)60A、作为存储器的ROM(Read Only Memory：只读存储器)60B以及RAM(Random Access Memory：随机存取存储器)60C、输入输出I/F60D、通信I/F 60E等。CPU 60A作为电池信息取得部22以及数据发送部24发挥作用。
如图2所示，作为搭载于车辆14的电池20的状态量，电池信息取得部22取得电池20的电压作为电池信息。电池信息取得部22例如通过电压传感器取得电池20的电压。此外，电池信息取得部22也可以进一步具有对电池20的温度进行检测的温度传感器，并取得电池20的温度。
数据发送部24将由电池信息取得部22取得的电池信息经由通信网络18向中心12发送。
另一方面，如图13所示，中心12由计算机构成，该计算机包括作为处理器的CPU70A、作为存储器的ROM 70B、以及RAM 70C、输入输出I/F 70D、通信I/F 70E等。输入输出I/F70D也可以与具有触摸面板的监视器80等的HMI(Human Machine Interface：人机接口)连接。CPU 70A作为数据接收部30、数据更新部32、数据运算部40以及数据输出部46发挥作用。
如图2所示，数据接收部30通过接收从车载设备16的数据发送部24经由通信网络18发送的电池信息，从车辆14的车载设备16取得表示电池20的状态量的电池信息。另外，在下文中，有时将电池信息作为电池20的状态量进行说明。
数据更新部32具有数据可否更新判断部34以及数据制作部36的功能，执行学习数据的替换与基于AI的机器学习，并实施对AI的数据图进行更新的处理。
数据可否更新判断部34通过从中心12管理的全部车辆14的车载设备16收集到的电池20的状态量的数据中提取存在已劣化的可能性的数据，实施对数据可否更新进行判断的处理。
在数据可否更新判断部34判断为能够进行数据更新的情况下，数据制作部36实施对学习数据进行替换并进行机器学习的处理。即，通过对学习数据进行替换，并基于作为神经网络、CNN(Convolut ional Neural Network：卷积神经网络)等预先确定的计算模型的AI模型的机器学习，制作数据图。在本实施方式中，有两种学习数据替换，与作为学习数据的劣化数据量对应地，对第一学习数据替换和第二学习数据替换进行切换。具体而言，如图3所示，取得其它车辆种类的学习数据的数量与精度的关系(数据图或数学式)，并确定达到目标精度的学习数据量的上限值a与下限值b。而且，在劣化数据量N为0≤N≤b的情况下,切换为第一学习数据替换，在劣化数据量N为b＜N≤a的情况下,切换为第二学习数据替换。
本实施方式中，如图4所示的第一学习数据替换那样地，在由对象车辆的劣化数据组成的学习数据少的初期的状态下，其它车辆种类等的其它车辆的劣化数据也加入到学习数据从而制作数据图。在图4中，示出了其它车辆的劣化数据为a-N辆，对象车辆的劣化数据为N辆，对象车辆的非劣化数据为M辆，学习数据的明细的合计为a+M辆的学习数据。此外，随着劣化数据的收集，如图4所示的第二学习数据替换那样地，一边将其它车辆的劣化数据置换为对象车辆的劣化数据,一边制作数据图。
数据运算部40具有概率计算部42以及劣化判断部44的功能(参照图2)，基于从车载设备16取得的状态量，实施电池20的劣化判断。
如图5所示，概率计算部42使用由数据制作部36制作的数据图,将电池20的状态量作为输入，对劣化概率进行计算。作为劣化概率，例如对在预先确定的期间a内劣化的概率、在期间a内不劣化的概率进行计算。作为一个示例，将电池20的使用期间以预先确定的期间分为三份，对“短期的劣化概率”、“中期的劣化概率”以及“长期的劣化概率”这三种概率进行计算。而且，在概率计算部42中，在由对象车辆的劣化数据组成的学习数据少的初期的情况下，由于由对象车辆的非劣化数据组成的学习数据量比较多，并如图4所示的第一学习数据替换那样地，与“短期的劣化概率”的模型精度相比，“长期的劣化概率”的模型精度高，所以采用精度高的“长期的劣化概率”(换言之，直到长期才劣化的概率)。另一方面，在概率计算部42中，当由对象车辆的劣化数据组成的学习数据积累起来时，如图4所示的第二学习数据替换那样地，由于“短期的劣化概率”的模型精度提高，所以采用“短期的劣化概率”。另外，本实施方式中，对概率计算部42计算“短期的劣化概率”、“中期的劣化概率”以及“长期的劣化概率”这三种概率的示例进行了说明，但并不限于此，也可以将电池20的使用期间分为四份以上，并对四种以上的概率进行计算。
劣化判断部44基于作为概率计算部42的导出结果的计算结果，对状态量是否满足预先确定的劣化条件进行判断，由此对电池20是否已劣化进行判断。例如，通过对由概率计算部42计算得的劣化的概率是否为预先确定的阈值以上进行判断而对劣化进行判断。在本实施方式中，如图4所示的第一学习数据替换那样地，在由对象车辆的劣化数据组成的学习数据少的初期的情况下，根据从“长期的劣化概率”计算的短期与中期的合计的劣化概率，对电池20的劣化进行判断。即，以计算100-“长期的劣化概率”的方式，对电池20的劣化进行判断。另一方面，如图4所示的第二学习数据替换那样地，当由对象车辆的劣化数据组成的学习数据增加时，基于“短期的劣化概率”而对电池20的劣化进行判断。另外，本实施方式中，对与学习数据的数量对应地基于从“长期的劣化概率”计算的劣化概率或“短期的劣化概率”来判断电池20的劣化的示例进行了说明，但并不限于此。例如，也可以使用从“长期的劣化概率”计算的劣化概率(100-“长期的劣化概率”)和“短期的劣化概率”这两者的劣化概率，计算最终的劣化概率，对电池20的劣化进行判断。作为一个示例，如图11所示，与学习数据量对应地预先确定作为权重的系数β，并通过劣化概率＝(1-β)×(短期的劣化概率)+β×(100-长期的劣化概率)来计算。另外，关于系数β，在图11的例中示出系数β随着学习数据的增加而二次曲线性地增加的示例，但并不限于此，也可以如图11的虚线那样地，系数β线性地增加。或者，也可以如图11的单点划线所示地系数β二次曲线性地增加。此外，若将图11的学习数据量达到作为预先确定的阈值的a之前的系数β设为0、将学习数据量为a以上时的系数β设为1，则与本实施方式对应。
数据输出部46将劣化判断部44的判断结果向取得了状态量的车辆14的车载设备16发送。由此，能够通过车载设备16而告知电池20的劣化判断结果。
另外，电池信息取得部22或数据接收部30与取得部对应，概率计算部42与导出部对应，劣化判断部44与判断部对应。
接着，对在上述方式构成的本实施方式涉及的电池劣化判断系统10的中心12实施的具体的处理进行说明。
图6为表示由本实施方式涉及的电池劣化判断系统10中的中心12的数据更新部32实施的处理的流程的一个示例的流程图。另外，图6的处理也可以例如在每个预先确定的期间开始，也可以在每次中心12收集预先确定的数量的状态量时开始。或者，在中心12收到开始要求时开始。
在步骤100中，数据可否更新判断部34将数据可否更新标识关闭，前往步骤102。
在步骤102中，数据可否更新判断部34取得数据接收部30接收到的状态量的数据，前往步骤104。取得从关注的车辆接收到的状态量的数据中的一个数据(例如，时刻t＝t0的数据)。
在步骤104中，数据可否更新判断部34对取得的状态量的数据是否超过预先确定的阈值进行判断。在该判断中，对关注的车辆的电池20是否存在已劣化的可能性进行判断。在该判断为肯定的情况下，前往步骤106，在否定的情况下，前往步骤108。
在步骤106中，数据可否更新判断部34将数据可否更新标识设为开启，前往步骤112。
另一方面，在步骤108中，数据可否更新判断部34对是否针对关注的车辆14的全部数据结束了上述的处理进行判断。在该判断为否定的情况下，前往步骤110，在肯定的情况下，前往步骤112。
在步骤110中，数据可否更新判断部34从自关注的车辆接收到的状态量的数据中取得下一个数据(例如，下一个时刻t＝t+Δt的数据)，前往步骤104。
在步骤112中，数据可否更新判断部34对是否针对全部车辆结束了上述的处理进行判断。在该判断为否定的情况下，返回步骤100并重复上述的处理，在判断为肯定的情况下，前往步骤114。
在步骤114中，数据制作部36对数据可否更新标识设为开启的次数进行计数，前往步骤116。
在步骤116中，数据制作部36对标识开启次数是否为预先确定的阈值a以上进行判断。在该判断中，对标识开启次数是否为图3那样设定的学习数据的上限值a以上进行判断。在该判断为肯定的情况下，结束数据更新部32的一系列的处理，在否定的情况下，前往步骤118。
在步骤118中，数据制作部36对标识开启次数是否为预先确定的阈值b以下进行判断。在该判断中，对标识开启次数是否为图3那样设定的学习数据的下限值b以下进行判断。在该判断为肯定的情况下，前往步骤120，在否定的情况下，前往步骤124。
在步骤120中，数据制作部36将初期期间标识设为关闭，前往步骤122。
在步骤122中，数据制作部36切换为图4说明的第二学习数据替换并实施学习数据的替换，前往步骤128。
另一方面，在步骤124中，数据制作部36将初期期间标识设为开启，前往步骤126。
在步骤126中，数据制作部36切换为图4说明的第一学习数据替换并实施学习数据的替换，前往步骤128。
在步骤128中，数据制作部36使用替换后的学习数据来实施机器学习并对数据图进行更新，结束一系列的处理。
接下来，对在数据更新部32的处理之后实施的、由数据运算部40实施的处理进行说明。图7为表示由本实施方式涉及的电池劣化判断系统10中的中心12的数据运算部40实施的处理的流程的一个示例的流程图。另外，图7的处理例如在图6的数据更新部32的处理结束时开始。
在步骤200中，概率计算部42对电池20的劣化概率进行计算，前往步骤202。即，使用预先制作的数据图并将电池20的状态量作为输入，对劣化概率进行计算。作为劣化概率，本实施方式对“短期的劣化概率”、“中期的劣化概率”以及“长期的劣化概率”这三种概率进行计算。
在步骤202中，概率计算部42对初期期间标识是否为开启进行判断。即，对数据制作部36是否在步骤124中将初期期间标识设为开启进行判断。在该判断为否定的情况下，前往步骤204，在肯定的情况下，前往步骤206。
在步骤204中，概率计算部42采用C的“短期的劣化概率”作为劣化概率，前往步骤208。
另一方面，在步骤206中，概率计算部42采用100-A的“长期的劣化概率”(换言之，直到长期才劣化的概率)作为劣化概率，前往步骤208。
在步骤208中，劣化判断部44对计算得的劣化的概率是否比预先确定的阈值CP大进行判断。在该判断为否定的情况下，前往步骤210，在肯定的情况下，前往步骤212。
在步骤210中，劣化判断部44判断为无电池的劣化并将劣化判断设为关闭，结束数据运算部40的一系列的处理。
另一方面，在步骤212中，劣化判断部44判断为有电池的劣化并将劣化判断设为开启，结束数据运算部40的一系列的处理。
通过以此方式实施处理，在本实施方式中，在由对象车辆的劣化数据组成的学习数据少的初期，如图8所示地使用长期的劣化概率(直到长期才劣化的概率)来对电池20的劣化进行判断。即，如图8所示，对100-A的“长期的劣化概率”进行计算而对电池20的劣化进行判断。由此，与使用短期的劣化概率来判断劣化的情况相比，能够提高劣化判断的精度。
此外，如图8所示，在由对象车辆的劣化数据组成的学习数据逐渐增加而转向后期时，短期的劣化概率的模型精度提高，因此使用C的“短期的劣化概率”来对电池20的劣化进行判断。由此，与使用长期的劣化概率来判断劣化的情况相比，能够提高劣化判断的精度。
进一步地，在本实施方式中，在对象车辆的学习数据少的初期，通过使用其它车辆的学习数据来实施机器学习，能够提高初期的模型精度。而且，随着由对象车辆的劣化数据组成的学习数据的增加，将其它车辆的学习数据替换为对象车辆的学习数据而实施机器学习，因此能够逐渐地使模型精度与对象车辆匹配。
另外，在上述的实施方式中，作为状态量的一个示例列举了电池20的电压、电阻、温度等，但状态量并不限于此。例如，与电池20相关的电流、功率或能够二次获得的SOC(State Of Charge：荷电状态)等、以及将这些相乘或相加而得到的量也能够成为状态量的候补。此外，作为候补的状态量可以仅使用一个，也可以使用多个。哪个的状态量最合适，这是根据情况、需要的精度等而改变的，因此适当选择即可。
此外，在上述的实施方式中，对为了与中心12通信而在车辆14具有通信装置的示例进行了说明，但并不限于此。例如，如图9所示，也可以将乘员携带的智能电话等的便携式终端50用作通信装置。或者，如图10所示，也可以在便携式终端50具有图2所示的中心12所具有的功能，并通过便携式终端50实施对电池20的劣化进行判断的处理。在该情况下，如图13所示，便携式终端50具有与中心12的硬件构成相同的硬件构成。
此外，在上述的实施方式中，对使用大数据和基于作为预先确定的计算模型的AI模型的机器学习来判断电池20的劣化的示例进行了说明，但并不限于此。例如也可以应用使用一元回归分析或多元回归分析等的判断方法。或者，也可以应用使用少量数据和作为预先确定的计算模型的物理模型的劣化判断方法。或者，也可以应用并用了机器学习和作为预先确定的计算模型的物理模型的劣化判断方法。
此外，在上述的实施方式中，对从最初起保留非劣化数据的示例进行了说明，但并不限于此。例如，也可以如图12所示地，为了降低机器学习的负担而使非劣化数据随着劣化数据的增加而减少。
此外，关于由上述的各实施方式中的中心12实施的处理，对通过执行程序而实施的软件处理的情形进行了说明，但并不限于此。例如也可以采用通过GPU(GraphicsProcessing Unit：图形处理单元)、ASIC(Application Specific Integrated Circuit：专用集成电路)以及FPGA(Field-Programmable Gate Array：现场可编程门阵列)等硬件来实施的处理。或者，也可以采用组合了软件以及硬件这二者的处理。此外，在采用软件的处理的情况下，也可以将程序存储在各种非临时性存储介质中并进行流通。
进一步地，本公开并不限定于上述实施方式，除了上述实施方式之外，在不脱离其主旨的范围内能够进行各种变形及实施是不言自明的。
Claims (12)
1.一种电池劣化判断系统，包括：
取得部，其取得搭载于车辆的电池的状态量；
导出部，其基于所述取得部所取得的所述状态量和预先确定的计算模型，分别导出在预先确定的短期所述电池劣化的短期劣化概率、在比所述短期长的中期所述电池劣化的中期劣化概率以及在比所述中期长的长期所述电池劣化的长期劣化概率；
判断部，其在作为所述计算模型的学习中使用的数据的所述状态量的数量越少的情况下，将从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率的权重设定得越高，在所述状态量的数量越多的情况下，将所述短期劣化概率的权重设定得越高，基于所述导出部的导出结果，对所述电池的劣化进行判断，
其中，所述计算模型在学习开始时，包含搭载于与对象车辆不同的其它车辆的已劣化的电池的状态量以及对象车辆的未劣化的电池的状态量而作为学习数据进行学习，随着学习的进行，将搭载于所述其它车辆的电池的状态量替换为所述对象车辆的已劣化的电池的状态量而进行学习。
2.根据权利要求1所述的电池劣化判断系统，其中，
所述判断部在所述状态量的数量小于预先确定的阈值的情况下，基于从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率，对所述电池的劣化进行判断，在所述状态量的数量为所述阈值以上的情况下，基于所述短期劣化概率对所述电池的劣化进行判断。
3.根据权利要求1所述的电池劣化判断系统，其中，
随着学习的进行，所述计算模型使所述对象车辆的已劣化的电池的状态量的数量增加、所述对象车辆的未劣化的电池的状态量的数量减少地进行学习。
4.根据权利要求1至3中任一项所述的电池劣化判断系统，其中，
所述取得部取得通过搭载于车辆的传感器而检测到的所述状态量。
5.一种电池劣化判断方法，
取得搭载于车辆的电池的状态量，
基于所述状态量和预先确定的计算模型，分别导出在预先确定的短期所述电池劣化的短期劣化概率、在比所述短期长的中期所述电池劣化的中期劣化概率以及在比所述中期长的长期所述电池劣化的长期劣化概率，
在作为所述计算模型的学习中使用的数据的所述状态量的数量越少的情况下，将从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率的权重设定得越高，在所述状态量的数量越多的情况下，将所述短期劣化概率的权重设定得越高，基于所述导出的结果，对所述电池的劣化进行判断，
其中，所述计算模型在学习开始时，包括搭载于与对象车辆不同的其它车辆的已劣化的电池的状态量以及对象车辆的未劣化的电池的状态量而作为学习数据进行学习，随着学习的进行，将搭载于所述其它车辆的电池的状态量替换为所述对象车辆的已劣化的电池的状态量而进行学习。
6.根据权利要求5所述的电池劣化判断方法，其中，
在所述状态量的数量小于预先确定的阈值的情况下，基于从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率，对所述电池的劣化进行判断，在所述状态量的数量为所述阈值以上的情况下，基于所述短期劣化概率对所述电池的劣化进行判断。
7.根据权利要求5所述的电池劣化判断方法，其中，
随着学习的进行，所述计算模型使所述对象车辆的已劣化的电池的状态量的数量增加、所述对象车辆的未劣化的电池的状态量的数量减少地进行学习。
8.根据权利要求5至7中任一项所述的电池劣化判断方法，其中，
使搭载于车辆的传感器取得所述状态量。
9.一种非临时性存储介质，其存储有用于使处理器执行电池劣化判断处理的程序，
所述电池劣化判断处理为，
取得搭载于车辆的电池的状态量，
基于所述状态量和预先确定的计算模型，分别导出在预先确定的短期所述电池劣化的短期劣化概率、在比所述短期长的中期所述电池劣化的中期劣化概率以及在比所述中期长的长期所述电池劣化的长期劣化概率，
在作为所述计算模型的学习中使用的数据的所述状态量的数量越少的情况下，将从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率的权重设定得越高，在所述状态量的数量越多的情况下，将所述短期劣化概率的权重设定得越高，根据所述导出的结果，对所述电池的劣化进行判断，
其中，所述电池劣化判断处理为，所述计算模型在学习开始时，包括搭载于与对象车辆不同的其它车辆的已劣化的电池的状态量以及对象车辆的未劣化的电池的状态量而作为学习数据进行学习，随着学习的进行，将搭载于所述其它车辆的电池的状态量替换为所述对象车辆的已劣化的电池的状态量而进行学习。
10.根据权利要求9所述的非临时性存储介质，其存储有用于使处理器执行电池劣化判断处理的程序，
所述电池劣化判断处理为，在所述状态量的数量小于预先确定的阈值的情况下，基于从所述长期劣化概率计算的所述短期与所述中期的合计的劣化概率，对所述电池的劣化进行判断，在所述状态量的数量为所述阈值以上的情况下，基于所述短期劣化概率对所述电池的劣化进行判断。
11.根据权利要求9所述的非临时性存储介质，其存储有用于使处理器执行电池劣化判断处理的程序，其中，
所述电池劣化判断处理为，随着学习的进行，所述计算模型使所述对象车辆的已劣化的电池的状态量的数量增加、所述对象车辆的未劣化的电池的状态量的数量减少地进行学习。
12.根据权利要求9至11中任一项所述的非临时性存储介质，其存储有用于使处理器执行电池劣化判断处理的程序，
所述电池劣化判断处理为，使搭载于车辆的传感器取得所述状态量。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP2020-018737 | 2020-02-06 | ||
| JP2020018737A JP7314822B2 (ja) | 2020-02-06 | 2020-02-06 | バッテリ劣化判定装置、バッテリ劣化判定方法、及びバッテリ劣化判定プログラム |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113219338A CN113219338A (zh) | 2021-08-06 |
| CN113219338B true CN113219338B (zh) | 2023-12-22 |
Family
ID=74105871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110032169.5A Active CN113219338B (zh) | 2020-02-06 | 2021-01-11 | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 |
Country Status (4)
| Country | Link |
|---|---|
| US (2) | US11460514B2 (zh) |
| EP (1) | EP3862765B1 (zh) |
| JP (1) | JP7314822B2 (zh) |
| CN (1) | CN113219338B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113902121B (zh) * | 2021-07-15 | 2023-07-21 | 陈九廷 | 一种电池劣化推测装置校验的方法、装置、设备及介质 |
| US12119700B2 (en) * | 2023-01-20 | 2024-10-15 | Element Energy, Inc. | Systems and methods for adaptive electrochemical cell management |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| EP2648011A1 (en) * | 2012-04-05 | 2013-10-09 | Samsung SDI Co., Ltd. | System for predicting lifetime of battery |
| JP2017181207A (ja) * | 2016-03-29 | 2017-10-05 | 古河電気工業株式会社 | 二次電池劣化推定装置および二次電池劣化推定方法 |
| DE102016211898A1 (de) * | 2016-06-30 | 2018-01-04 | Robert Bosch Gmbh | Verfahren zum Überwachen einer Batterie |
| WO2019021095A1 (ja) * | 2017-07-26 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 二次電池の充電制御システム及び二次電池の異常検出方法 |
| TW202004210A (zh) * | 2018-04-06 | 2020-01-16 | 日商上達膜化股份有限公司 | 二次電池的診斷裝置及診斷方法 |
Family Cites Families (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR100936892B1 (ko) * | 2007-09-13 | 2010-01-14 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
| JP5343168B2 (ja) * | 2010-06-24 | 2013-11-13 | パナソニック株式会社 | 電池の劣化度を取得するための方法及びそのシステム |
| US9177466B2 (en) * | 2011-01-20 | 2015-11-03 | Indiana University Research And Technology Corporation | Advanced battery early warning and monitoring system |
| JP2013115863A (ja) * | 2011-11-25 | 2013-06-10 | Honda Motor Co Ltd | バッテリ管理システム |
| WO2015072528A1 (ja) * | 2013-11-14 | 2015-05-21 | 日本電気株式会社 | 蓄電池の状態把握方法、状態把握システムおよびコンピュータプログラム |
| KR102205293B1 (ko) * | 2014-04-18 | 2021-01-20 | 삼성전자주식회사 | 배터리 수명의 추정에서 발생하는 오차를 보정하는 방법 및 장치 |
| KR102399720B1 (ko) * | 2014-08-06 | 2022-05-19 | 삼성전자주식회사 | 패턴 정보에 기초하여 사용자 특성에 따른 배터리 수명을 추정하는 장치 및 방법 |
| KR102357351B1 (ko) * | 2015-01-07 | 2022-01-28 | 삼성전자주식회사 | 복수의 배터리 셀들을 포함하는 배터리 팩의 상태를 추정하는 장치 및 방법 |
| WO2016147722A1 (ja) * | 2015-03-19 | 2016-09-22 | 日本電気株式会社 | 推定装置、推定方法およびプログラム |
| KR102559199B1 (ko) * | 2015-11-02 | 2023-07-25 | 삼성전자주식회사 | 배터리 관리 방법 및 배터리 관리 장치 |
| KR102042077B1 (ko) * | 2016-09-26 | 2019-11-07 | 주식회사 엘지화학 | 인공지능형 연료전지 시스템 |
| JP2018179733A (ja) | 2017-04-12 | 2018-11-15 | 日立化成株式会社 | 電池の寿命診断装置及び電池の寿命診断方法 |
| CN111819453A (zh) * | 2018-03-20 | 2020-10-23 | 株式会社杰士汤浅国际 | 异常主要原因判定装置、劣化判定装置、计算机程序、劣化判定方法以及异常主要原因判定方法 |
| EP3560751A1 (en) * | 2018-04-27 | 2019-10-30 | Panasonic Intellectual Property Corporation of America | Control method, server, in-vehicle device, and program |
| EP3875976A4 (en) * | 2018-10-31 | 2022-01-05 | GS Yuasa International Ltd. | DEVICE FOR EVALUATING AN ELECTRICITY STORAGE ELEMENT, COMPUTER PROGRAM, METHOD FOR EVALUATING AN ELECTRICITY STORAGE ELEMENT, LEARNING METHOD, AND GENERATING METHOD |
-
2020
- 2020-02-06 JP JP2020018737A patent/JP7314822B2/ja active Active
- 2020-12-23 US US17/131,963 patent/US11460514B2/en active Active
-
2021
- 2021-01-07 EP EP21150462.6A patent/EP3862765B1/en active Active
- 2021-01-11 CN CN202110032169.5A patent/CN113219338B/zh active Active
-
2022
- 2022-08-25 US US17/895,591 patent/US11675020B2/en active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP2648011A1 (en) * | 2012-04-05 | 2013-10-09 | Samsung SDI Co., Ltd. | System for predicting lifetime of battery |
| CN103033761A (zh) * | 2012-12-17 | 2013-04-10 | 哈尔滨工业大学 | 动态灰色相关向量机的锂离子电池剩余寿命预测方法 |
| JP2017181207A (ja) * | 2016-03-29 | 2017-10-05 | 古河電気工業株式会社 | 二次電池劣化推定装置および二次電池劣化推定方法 |
| DE102016211898A1 (de) * | 2016-06-30 | 2018-01-04 | Robert Bosch Gmbh | Verfahren zum Überwachen einer Batterie |
| WO2019021095A1 (ja) * | 2017-07-26 | 2019-01-31 | 株式会社半導体エネルギー研究所 | 二次電池の充電制御システム及び二次電池の異常検出方法 |
| TW202004210A (zh) * | 2018-04-06 | 2020-01-16 | 日商上達膜化股份有限公司 | 二次電池的診斷裝置及診斷方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US11675020B2 (en) | 2023-06-13 |
| EP3862765B1 (en) | 2023-06-21 |
| JP2021124420A (ja) | 2021-08-30 |
| CN113219338A (zh) | 2021-08-06 |
| US20220404429A1 (en) | 2022-12-22 |
| JP7314822B2 (ja) | 2023-07-26 |
| US20210247458A1 (en) | 2021-08-12 |
| EP3862765A1 (en) | 2021-08-11 |
| US11460514B2 (en) | 2022-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113219336B (zh) | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 | |
| EP3748380B1 (en) | Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method | |
| CN113219338B (zh) | 电池劣化判断系统、方法及存储有程序的非临时性存储介质 | |
| EP3709039B1 (en) | Battery life learning device, battery life prediction device, method and program | |
| EP3780248A1 (en) | Degradation state determination device and degradation state determination method | |
| CN108985966B (zh) | 电量消耗计算方法、装置、车辆及计算机可读存储介质 | |
| CN113504479A (zh) | 基于云的电池充电剩余时间的估算方法、系统和存储介质 | |
| CN113219337B (zh) | 电池劣化判断系统、方法以及存储有程序的非临时性存储介质 | |
| US11733308B2 (en) | Deterioration state estimation system of secondary battery, deterioration state estimation method of secondary battery, and storage medium | |
| EP4202462A1 (en) | Information processing device, information processing method, and computer program | |
| CN116338463A (zh) | 剩余充电时间估算方法及相关装置 | |
| CN113119796B (zh) | 基于云端稀疏充电数据的电动车剩余充电时间预测方法及系统 | |
| CN116047323A (zh) | 一种电池soc的修正方法、系统、电池及电池管理系统 | |
| US20220317195A1 (en) | State estimation system of secondary battery, state estimation method of secondary battery, and storage medium | |
| CN116298945A (zh) | 电池剩余可用能量的确定方法、装置和存储介质 | |
| CN114764600A (zh) | 新能源车电池包的寿命预测方法、装置和电子设备 | |
| CN117207843A (zh) | 电池特性预测方法、装置、存储介质和电子设备 | |
| CN115079011A (zh) | 车辆的sof估算方法、装置和车辆 | |
| CN116679209A (zh) | 电池荷电状态的预测方法、装置、设备和存储介质 | |
| CN113655383A (zh) | 一种电池参数更新方法、电池管理平台及车辆 | |
| CN117533146A (zh) | 确定车辆续航里程的方法、装置、存储介质和电子设备 | |
| CN112114258A (zh) | 动力电池的可用容量估算方法和装置、介质、设备 | |
| CN117301795A (zh) | 控制车辆空调的方法、装置、电子设备和车辆 | |
| CN116243192A (zh) | 一种电池寿命估算方法、装置及终端设备 | |
| CN118575089A (zh) | 信息处理方法、信息处理装置以及控制程序 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |